
import pandas as pd
import numpy as np
from scipy import stats as st
from datetime import datetime as dt, timedelta
import re
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.graph_objects as go


def pre_check(df):
    display(df.head(5)) # вывод первых 5 строк
    display('Количество пустых ячеек:', df.isna().sum()) # количество пустых ячеек
    display('Количество дубликатов:', df.duplicated().sum()) # количество абсолютных дубликатов
    df.info() # общая информация


pth_ms = 'mobile_soures.csv'# кто-то предоставил "скисшую" базу
pth_md = 'mobile_dataset.csv'
try:
    ms = pd.read_csv(pth_ms)
    md = pd.read_csv(pth_md)
    display('Загрузка онлайн')
except FileNotFoundError:
    display('FileNotFoundError')

'Загрузка онлайн'


pre_check(ms)

'Количество пустых ячеек:'

userId    0
source    0
dtype: int64

'Количество дубликатов:'

0

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4293 entries, 0 to 4292
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   userId  4293 non-null   object
 1   source  4293 non-null   object
dtypes: object(2)
memory usage: 67.2+ KB


pre_check(md)

'Количество пустых ячеек:'

event.time    0
event.name    0
user.id       0
dtype: int64

'Количество дубликатов:'

0

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 74197 entries, 0 to 74196
Data columns (total 3 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   event.time  74197 non-null  object
 1   event.name  74197 non-null  object
 2   user.id     74197 non-null  object
dtypes: object(3)
memory usage: 1.7+ MB


md = md.rename(columns=lambda x: re.sub(r'(\.)', '_', x , 0)) #меняем точку на нижнее подчеркивание
ms = ms.rename(columns=lambda x: re.sub( '(?<!^)(?=[A-Z])', '_', x).lower()) #перед большой буквой ставим нижнее подчеркивание
#и приводим к нижнему регистру
display(md.head())
ms.head()


# преобразуем данные в формат даты и время
md['event_time'] = pd.to_datetime(md['event_time'], format='%Y-%m-%dT%H:%M:%S')

# добавим день и неделю в таблицу
md['event_dt'] = pd.to_datetime(md['event_time']).dt.date
md['week_number'] = md['event_time'].dt.isocalendar().week

md.head()


print(md['event_time'].min())
print(md['event_time'].max())

2019-10-07 00:00:00.431357
2019-11-03 23:58:12.532487


not_defined_user = (set(md.user_id) - set(ms.user_id))

print('Пользователи без `source`:', len(not_defined_user))

Пользователи без `source`: 0


events = md['event_name'].value_counts().reset_index()
events['ratio'] = round(events['event_name']/md.shape[0]*100)

events


md.query('event_name == "contacts_show"').sort_values('event_time').head()


md.query('event_name == "show_contacts"').sort_values('event_time').head()


md.loc[md['event_name']=='show_contacts', 'event_name'] = 'contacts_show'
md.head()


md.query('event_name == "show_contacts"').shape[0]

0


user_id_s7 = md.query('event_name == "search_7"').sort_values('event_time')['user_id'].unique()#пользователи с событием поиск 7
df_s7 = md.query('user_id in @user_id_s7').sort_values(['event_time','event_name'])#фильтруем по нашим пользователям и сортируем
df_s7['diff'] = md['event_time'].diff() #разница между событиями
df_s7


md['event_name'] = md['event_name'].map(
    lambda x: re.sub(r"\_\d", '', x, 0)
)

md['event_name'].value_counts()

tips_show        40055
photos_show      10012
search            6784
advert_open       6164
contacts_show     4529
map               3881
favorites_add     1417
tips_click         814
contacts_call      541
Name: event_name, dtype: int64


first_event = md.groupby('user_id').agg({'event_name':'first'}).reset_index()
first_events = first_event['event_name'].value_counts().reset_index()
first_events['ratio'] = round(first_events['event_name']/first_event.shape[0]*100)
first_events


df = md.merge(ms,on='user_id', how='left')
s1 = df.query('source == "google"').user_id.unique()
s2 = df.query('source == "yandex"').user_id.unique()
s3 = df.query('source == "other"').user_id.unique()

print('Кол-во уникальных пользователей:', len(df.user_id.unique()))

print('Пользователей google:', len(s1))
print('Пользователей yandex:', len(s2))
print('Пользователей other:', len(s3))

Кол-во уникальных пользователей: 4293
Пользователей google: 1129
Пользователей yandex: 1934
Пользователей other: 1230


#подпись осей день + понедельник
def mon_ticks(dt_list):
    day_ticks = []
    for i in dt_list:
        if i.strftime('%a') == 'Mon':
            day_ticks.append(i.strftime('%d') + '\n' + i.strftime('%a'))
        else:
            day_ticks.append(i.strftime('%d'))

    return plt.xticks(dt_list, day_ticks)


def line_plot(df,gr,ct,mt,name,x,y, mon_tiks=True, week_day_text=False):
    
    plot_gr = df.groupby(gr).agg({ct:mt}).reset_index()

    fig = plt.figure(figsize=(17, 6)) # Размер графика

    # Строим график 
    plt.plot(plot_gr[gr], plot_gr[ct])

    plt.title(name)# Заголовок графика
    #  Добавляем подписи к осям:
    plt.xlabel(x)
    plt.ylabel(y)
    
    if mon_tiks:
        mon_ticks(df[gr].sort_values().unique())
    if week_day_text:
        week_list = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
        plt.xticks(df[gr].sort_values().unique(), week_list)


def get_profiles(df):
    profiles = (
        df.sort_values(by=['user_id', 'event_time'])
        .groupby('user_id')
        .agg(
            {
                'event_time': 'first',
                'event_dt': 'first',
                'week_number': 'first',
                'event_name': 'first',
                'source': 'first'
            }
            )
        .rename(columns={'event_time': 'first_ts'})
        .reset_index().sort_values(['user_id', 'first_ts'])
    )
    
    return profiles


def sessions(da):
    #групперуем по пользователю и номеру сессии добавляя время начала и конца сессии и названия события первого и последнего.
    session = (
        da
        .pivot_table(index=['user_id','session_id'], values=['event_time','event_name'], aggfunc=['first','last'])
        .reset_index()
    )
    #групперуем по пользователю и номеру сессии считаем общее кол-во событий за сессию и уникальных событий за сессию
    counts_events = (
        da
        .pivot_table(index=['user_id','session_id'], values=['event_name'], aggfunc=['count','nunique'])
        .reset_index()
    )
    #функция удаление двухуровневых названий колонок
    def del_duble_col_name(df1):
        name_col = pd.DataFrame.from_records(df1.columns) #берем двухуровневые названия колонок
        name_col['col'] = name_col[0] + name_col[1].str.replace('event', '_event') #соединяем их в один уровень
        df1.columns = name_col['col'].to_list()#назначаем колонкам один уровень с названиями
        return df1#возвращаем таблицу

    #применяем функцию
    del_duble_col_name(session)
    del_duble_col_name(counts_events)
    #добавляем колонку с датой без времени
    session['dt'] = pd.to_datetime(session['first_event_time']).dt.date
    #добавляем колонку с днем недели
    session['week_day'] = pd.to_datetime(session['first_event_time']).dt.dayofweek
    #добавляем колонку с продолжительностью
    session['duration_m'] = (session['last_event_time'] - session['first_event_time']).astype('timedelta64[m]')
    #добавляем колонку с браузерами
    session = pd.merge(session, ms,on='user_id', how='left')
    #добавляем колонку с кол-вом событий
    session = pd.merge(session, counts_events, on=['user_id','session_id'], how='left')

    return session


def get_retention(
    profiles,
    session,
    observation_date,
    horizon_days,
    dimensions=[],
    ignore_horizon=False,
):
    
    # исключаем пользователей, не «доживших» до горизонта анализа
    last_suitable_acquisition_date = observation_date
    if not ignore_horizon:
        last_suitable_acquisition_date = observation_date - timedelta(
            days=horizon_days - 1
        )

    result_raw = profiles.query('event_dt <= @last_suitable_acquisition_date')

    # собираем «сырые» данные для расчёта удержания
    result_raw = result_raw.merge(
        session[['user_id', 'first_event_time']], on='user_id', how='left'
    )
    result_raw['lifetime'] = (
        result_raw['first_event_time'] - result_raw['first_ts']
    ).dt.days

    # групперуем в зависимости от dimensions и горизонта
    def group_by_dimensions(df, dims, horizon_days):
        if len(dims) != 0:
            result = df.pivot_table(
                index=dims, columns='lifetime', values='user_id', aggfunc='nunique'
            )
            cohort_sizes = (
                df.groupby(dims)
                .agg({'user_id': 'nunique'})
                .rename(columns={'user_id': 'cohort_size'})
            )
            result = cohort_sizes.merge(result, on=dims, how='left').fillna(0)
            result = result.div(result['cohort_size'], axis=0)
            result = result[['cohort_size'] + list(range(horizon_days))]
            result['cohort_size'] = cohort_sizes
            return result   
            
        else:
            result = df.pivot_table(
                 columns='lifetime', values='user_id', aggfunc='nunique'
            )
            cohort_sizes = df['user_id'].nunique()
            result['cohort_size'] = cohort_sizes
            result = result.div(result['cohort_size'], axis=0)
            result = result[['cohort_size'] + list(range(horizon_days))]
            result['cohort_size'] = cohort_sizes
            return result 
        

    # получаем таблицу удержания
    result_grouped = group_by_dimensions(result_raw, dimensions, horizon_days)

    # получаем таблицу динамики удержания
    result_in_time = group_by_dimensions(
        result_raw, dimensions + ['event_dt'], horizon_days
        )

    # возвращаем обе таблицы и сырые данные
    return result_raw, result_grouped, result_in_time


# функция для сглаживания фрейма
def filter_data(df, window):
    # для каждого столбца применяем скользящее среднее
    for column in df.columns.values:
        df[column] = df[column].rolling(window).mean() 
    return df


# функция для визуализации удержания
def plot_retention(retention, retention_history, horizon, window=7):

    # задаём размер сетки для графиков
    plt.figure(figsize=(15, 5))

    # исключаем размеры когорт и удержание первого дня
    retention = retention_grouped.drop(columns=['cohort_size', 0])
    # в таблице динамики оставляем только нужный лайфтайм
    retention_history = retention_history.drop(columns=['cohort_size'])[[horizon_days - 1]]
    
    if len(retention.index)==1:
        retention['cohort'] = 'All users'
        retention = retention.set_index(['cohort'])

    # в таблице графиков — две ячейки
    # в первой строим кривые удержания 
    ax1 = plt.subplot(1, 2, 1)
    retention.T.plot(
        grid=True, ax=ax1
    )
    plt.legend()
    plt.xlabel('Лайфтайм')
    plt.title('Удержание пользователей')


    # в второй ячейке — динамика удержания 
    ax3 = plt.subplot(1, 2, 2, sharey=ax1)
    
    columns = [
        name
        for name in retention_history.index.names
        if name not in ['event_dt']
    ]
    # фильтруем данные и строим график
    filtered_data = retention_history.pivot_table(
        index='event_dt',columns=columns, values=horizon - 1, aggfunc='mean'
    )
    filter_data(filtered_data, window).plot(grid=True, ax=ax3)
    plt.xlabel('Дата привлечения')
    plt.title(
        'Динамика удержания пользователей на {}-й день'.format(
            horizon
        )
    )
    plt.tight_layout()
    plt.show()


def conversion_event(df, index, value, event, columns=[]):
    indexs = []
    indexs.append(index)
    if len(columns) != 0:
        for i in columns:
            indexs.append(i)
    
    unuque_id = df.pivot_table(index=indexs, values=value, aggfunc='nunique').reset_index()
    unuque_id_event = df.query('event_name == @event').pivot_table(index=indexs, values=value, aggfunc='nunique').reset_index()
    unuque_id = unuque_id.merge(unuque_id_event,on=indexs)
    unuque_id = unuque_id.rename(columns={value+'_x':'all_unuque_id',value+'_y':'id_event'})
    unuque_id['ratio'] = round(unuque_id['id_event']/unuque_id['all_unuque_id'],3) #добавляем % от первого события
    if len(columns) != 0:
        unuque_id = unuque_id.pivot_table(index='event_dt', columns=columns)
        return unuque_id
    else:
        unuque_id = unuque_id.pivot_table(index='event_dt')
        return unuque_id


def funnel_through(df, u_id, event_name, date_time, list_events, list_events_text, title, through=False, img=False):
    
    #создаем сводную таблицу
    step_data_pivot = df.pivot_table(index=u_id, #user_id, devaice_id ... _id
                                   columns=event_name, #event_name
                                   values=date_time, #event_date
                                   aggfunc='min')
    
    counts_step = len(list_events)#определяем кол-во шагов
    steps = {}#создаем словарь шагов
    steps[0] = ~step_data_pivot[list_events[0]].isna()#первый шаг воронки проверка на не пустое значение
    if through:
        for i in range(0,len(list_events)-1):#остальные шаги
            steps[i+1] = steps[0] & (~step_data_pivot[list_events[i+1]].isna())
        #проверяем True предыдущего шага и что есть два следущих события True и они идут друг за другом
    else:
        for i in range(0,len(list_events)-1):#остальные шаги
            steps[i+1] = steps[i] & (step_data_pivot[list_events[i+1]] > step_data_pivot[list_events[i]])
        #проверяем True предыдущего шага и что есть два следущих события True и они идут друг за другом
    steps_sum = [sum(steps[x]) for x in steps.keys()]#считаем сумму
    
    df_steps = pd.DataFrame(steps_sum, index=list_events_text, columns=['quantity']) #собираем в таблицу
    df_steps['ratio 100%'] = round(df_steps['quantity']/df_steps['quantity'][0] * 100) #добавляем % от первого события
    df_steps['ratio %'] = (round(df_steps['quantity'].pct_change(),2) + 1) * 100 #добавляем % от предыдущего шага
    display(df_steps) #выводим таблицу можно сделать return если не нужна визуализация
    
    if img:
        #делаем график воронки
        fig = go.Figure(go.Funnel(
        y = df_steps.index,
        x = df_steps['quantity']
        ))
        fig.update_layout(title=title)
        fig.show()


def conversion_one_key_event(df, u_id, event_name, date_time, one_event, one_event_text, title, img=False):
    
    #создаем сводную таблицу
    step_data_pivot = df.pivot_table(index=u_id, #user_id, devaice_id ... _id
                                   columns=event_name, #event_name
                                   values=date_time, #event_date
                                   aggfunc='min')
    
    tab_funnel = {}
    tab_funnel['Всего уникальных пользователей'] = [step_data_pivot.shape[0]]
    tab_funnel[one_event_text] = [sum(~step_data_pivot[one_event].isna())]
    
    tab_funnel = pd.DataFrame(tab_funnel).T
    tab_funnel.columns = ['quantity']
    tab_funnel['ratio 100%'] = round(tab_funnel['quantity']/tab_funnel['quantity'][0] * 100)
    tab_funnel['ratio %'] = (round(tab_funnel['quantity'].pct_change(),2) + 1) * 100
    display(tab_funnel)    
    
    if img:
        fig = go.Figure(go.Funnel(
        y = list(tab_funnel.index),
        x = list(tab_funnel['quantity'])
        ))
        fig.update_layout(title=title)
        fig.show()


   
def t_test(df_1,df_2, alpha, t_df_1, t_df_2,text,m=1):
    alpha = alpha #критический уровень статистической значимости

    results = st.ttest_ind(
        df_1,
        df_2
    )

    print('p-значение:', results.pvalue)

    if results.pvalue < alpha:
        print('Отвергаем нулевую гипотезу, что ' + text)
    else:
        print('Не получилось отвергнуть нулевую гипотезу, что ' + text)
    print() 
    print('cреднее по ' + t_df_1 + ': ', round(df_1.mean()*m,3))
    print('cреднее по ' + t_df_2 + ': ', round(df_2.mean()*m,3))


def equality_check( t1, t2, s1, s2, alpha):

    successes = np.array([s1, s2])
    trials = np.array([t1, t2])

    # пропорция успехов в первой группе:
    p1 = successes[0]/trials[0]

    # пропорция успехов во второй группе:
    p2 = successes[1]/trials[1]

    # пропорция успехов в комбинированном датасете:
    p_combined = (successes[0] + successes[1]) / (trials[0] + trials[1])

    # разница пропорций в датасетах
    difference = p1 - p2 

    # считаем статистику в ст.отклонениях стандартного нормального распределения
    z_value = difference / (p_combined * (1 - p_combined) * (1/trials[0] + 1/trials[1])) ** 0.5

    # задаем стандартное нормальное распределение (среднее 0, ст.отклонение 1)
    distr = st.norm(0, 1)  

    p_value = (1 - distr.cdf(abs(z_value))) * 2

    print('p-значение: ', p_value)

    if p_value < alpha:
        print('Отвергаем нулевую гипотезу: между долями есть значимая разница')
    else:
        print(
            'Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными'
        )
        
def cicle_event(df, group1, group2, alpha):
    for i in range(1, len(df[group1])):
        print(group1,'&', group2, df.index[i])
        equality_check(
            df[group1][0],
            df[group2][0],
            df[group1][i],
            df[group2][i],
            alpha)
        print()


# отсортируем таблицу по пользователям и времени:
df = df.sort_values(['user_id', 'event_time'])
# определим длительность между событиями
diff_timestamp = df.groupby('user_id')['event_time'].diff()
# вызовим describe() для понимания какой у нас диапозон, среднее и т.д.:
(diff_timestamp.astype('timedelta64[s]')/60).describe()

count    69904.000000
mean       233.011283
std       1532.954328
min          0.000000
25%          0.383333
50%          1.166667
75%          3.000000
max      38269.900000
Name: event_time, dtype: float64


# создадим переменную 30 минут на простой для определения новой сесии
time_session = np.timedelta64(30,'m')
# размечаем события превышающие пороговое значение
new_session = (diff_timestamp.isnull()) | (diff_timestamp > time_session)
# присвоим номер сессии пользователя в соответствии таблице new_session присвоив ранк и поменяем тип на число
df['session_id'] = df.loc[new_session, ['user_id', 'event_time']].groupby('user_id').rank(method='first').astype(int)
# заполним промежеточные значения Nan на ранк в соответсвии с их порядком до новой сессии
df['session_id'] = df['session_id'].fillna(method='ffill').astype(int)

df.head()


session = sessions(df)
session.head()


print('Кол-во нулевых сесиий:', session.query('duration_m == 0').shape[0])
print('% нулевых сесиий:', round(session.query('duration_m == 0').shape[0]/session.shape[0]*100))

Кол-во нулевых сесиий: 3072
% нулевых сесиий: 30


session.query('duration_m == 0').head()


session.duration_m.describe()

count    10368.000000
mean        12.495177
std         19.782827
min          0.000000
25%          0.000000
50%          5.000000
75%         17.000000
max        321.000000
Name: duration_m, dtype: float64


np.percentile(session.duration_m, [95, 99])

array([48., 92.])


plt.figure(figsize=(14, 3))
ax = sns.boxplot(data=session, x='duration_m', dodge=False);
ax.set_ylabel('', size=14)
ax.set_xlabel('продолжительность мин.', size=14)
plt.title('График продолжительности сессии', size=18)
plt.xlim(-10, 60);


line_plot(
    session,
    'dt',
    'duration_m',
    'median',
    'График средней продолжительность сессии по дням',
    'Дата',
    'мин.'
)


line_plot(
    session,
    'week_day',
    'duration_m',
    'median',
    'График средней продолжительность сессии по дням недели',
    'День недели',
    'мин.',
    mon_tiks = False,
    week_day_text=True
)


line_plot(
    session,
    'dt',
    'duration_m',
    'sum',
    'График суммы продолжительности всех сессий пользователей по дням',
    'Дата',
    'мин.'
)


line_plot(
    session,
    'week_day',
    'duration_m',
    'sum',
    'График суммы продолжительности всех сессий пользователей по дням недели',
    'день недели',
    'мин.',
    mon_tiks = False,
    week_day_text=True
)


line_plot(
    session,
    'dt',
    'user_id',
    'nunique',
    'График кол-во уникальных пользователей по дням',
    'Дата',
    'кол-во'
)


line_plot(
    session,
    'week_day',
    'user_id',
    'nunique',
    'График кол-во уникальных пользователей по дням недели',
    'Дата',
    'кол-во',
    mon_tiks = False,
    week_day_text=True
)


profiles = get_profiles(df)
print('Всего пользователей:', profiles.shape[0])
profiles.head()

Всего пользователей: 4293


horizon_days = 7
observation_date = md['event_dt'].max()


retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days
)
plot_retention(retention_grouped, retention_history, horizon_days)


horizon_days = 14

retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days
)
plot_retention(retention_grouped, retention_history, horizon_days)


horizon_days = 7
dimensions = ['source']


retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days, dimensions=dimensions
)
plot_retention(retention_grouped, retention_history, horizon_days)


fig = plt.subplots(figsize =(10, 7))
sns.heatmap(round(retention_grouped.drop(columns=['cohort_size', 0])*100), annot=True,cmap='YlGn', fmt='');
plt.title('График хитмэп процент удержания пользователей по источникам', size=18)
plt.xlabel('Лайфтайм', size=12)
plt.ylabel('источник', size=12);


events = md['event_name'].value_counts().reset_index()
events['ratio'] = round(events['event_name']/md.shape[0]*100)


# назначаем стиль графика
sns.set_style('whitegrid')
# назначаем размер графика
plt.figure(figsize=(14, 7))
plt.box(False) #убрать рамку

# строим график
ax = sns.barplot(
    x='index', 
    y='event_name',
    data=events, 
    color ='#b3c75c'
) 

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График распределения событий за 4 недели', size=18)
plt.xlabel('название события', size=12)
plt.ylabel('кол-во', size=12)
ax.tick_params(labelsize=11)


events = md['event_name'].value_counts().reset_index()
events['ratio'] = round(events['event_name']/md.shape[0]*100)

events


(df
 .pivot_table(index='event_dt', columns='event_name', values='user_id', aggfunc='count')
 .plot(kind='line', figsize=(14,7),  style = 'o-', grid=True)
);

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График распределения событий за 4 недели', size=18)
plt.xlabel('дата', size=12)
plt.ylabel('кол-во событий', size=12)
ax.tick_params(labelsize=11)
plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
mon_ticks(df['event_dt'].sort_values().unique());


(df.query('event_name !="tips_show"')
 .pivot_table(index='event_dt', columns='event_name', values='user_id', aggfunc='count')
 .plot(kind='line', figsize=(14,7),  style = 'o-', grid=True)
);

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График распределения событий за 4 недели', size=18)
plt.xlabel('дата', size=12)
plt.ylabel('кол-во событий', size=12)
ax.tick_params(labelsize=11)
plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
mon_ticks(df['event_dt'].sort_values().unique());


unique_user = df.user_id.nunique()
unique_user_cs = df.query('event_name =="contacts_show"').user_id.nunique()
print('Всего уникальных пользователей:',unique_user)
print('Всего уникальных пользователей совершивших просмотр контактов:',unique_user_cs)
print('Доля пользователей совершивших просмотр контактов:',round(unique_user_cs/unique_user*100,2),'%')

Всего уникальных пользователей: 4293
Всего уникальных пользователей совершивших просмотр контактов: 981
Доля пользователей совершивших просмотр контактов: 22.85 %


unique_user_source = df.groupby('source').agg({'user_id':'nunique'})
unique_user_source['target_event'] = df.query('event_name =="contacts_show"').groupby('source').agg({'user_id':'nunique'})
unique_user_source['ratio'] = round(unique_user_source['target_event']/unique_user_source['user_id']*100,1)

unique_user_source.sort_values('ratio', ascending=False)


plt.figure( figsize = ( 14, 6))

event_key_contacts_show = conversion_event(df, 'event_dt', 'user_id', 'contacts_show').reset_index()
#скользящее среднее 5 дней
event_key_contacts_show[ 'rolling_avg' ] = event_key_contacts_show.ratio.rolling(5).mean()

sns.lineplot( x = 'event_dt',
             y = 'ratio',
             data = event_key_contacts_show,
             label = 'основная')
  
# plot using rolling average
sns.lineplot( x = 'event_dt',
             y = 'rolling_avg',
             data = event_key_contacts_show,
             label = 'скользящая')

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График конверсии в целевое событие `contacts_show`', size=18)
plt.xlabel('дата', size=12)
plt.ylabel('%', size=12)
ax.tick_params(labelsize=11)
plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
mon_ticks(df['event_dt'].sort_values().unique());


conversion_event(df, 'event_dt', 'user_id', 'contacts_show',
                 columns=['source'])['ratio'].plot(kind='line', figsize=(12,6),  style = 'o-', grid=True)

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График конверсии в целевое событие `contacts_show` по источникам', size=18)
plt.xlabel('дата', size=12)
plt.ylabel('%', size=12)
ax.tick_params(labelsize=11)
plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
mon_ticks(df['event_dt'].sort_values().unique())
plt.show()


conversion_one_key_event(
    df,
    'user_id',
    'event_name',
    'event_time',
    'contacts_show',
    'Посмотрели контакты',
    'Конверсия целевого действия contacts_show',
    img=True
    )


list_events = ['search','advert_open','photos_show','contacts_show']
list_events_text = ['Воспользовались поиском','Открыли объявление','Посмотрели фото',' Посмотрели контакты']

funnel_through(
    df,
    'user_id',
    'event_name',
    'event_time',
    list_events,
    list_events_text,
    'Воронка от поиска до звонка',
    img=True
)


list_events = ['search','advert_open','contacts_show','contacts_call']
list_events_text = ['Воспользовались поиском','Открыли объявление','Посмотрели контакты',' Позвонили']

funnel_through(
    df,
    'user_id',
    'event_name',
    'event_time',
    list_events,
    list_events_text,
    'Воронка от поиска до звонка',
    img=True
)


funnel_through(
    df,
    'user_id',
    'event_name',
    'event_time',
    list_events,
    list_events_text,
    'Сквозная воронка от поиска до звонка',
    through=True,
    img=True)


dt_users = (
    df.pivot_table(index='event_dt', values='user_id', aggfunc='nunique')
    .plot( 
        style='o-',  
        grid=True, 
        figsize=(10, 5), 
        title='Распределения кол-во пользователей по дням',
    )
)

dt_users.set_xlabel('дата')
dt_users.set_ylabel('кол-во')
plt.legend(loc='center left', bbox_to_anchor=(1.02, 0.5));#вынос легенды за пределы таблицы
mon_ticks(df['event_dt'].sort_values().unique())
plt.show()


dt_users = (
    df.pivot_table(index='event_dt',columns='source', values='user_id', aggfunc='nunique')
    .plot( 
        y=list(df['source'].unique()), 
        style='o-',  
        grid=True, 
        figsize=(10, 5), 
        title='Распределения кол-во пользователей по дням и каналам',
    )
)

dt_users.set_xlabel('дата')
dt_users.set_ylabel('кол-во')
plt.legend(loc='center left', bbox_to_anchor=(1.02, 0.5));#вынос легенды за пределы таблицы
mon_ticks(df['event_dt'].sort_values().unique())
plt.show()


event_users = (
    df.pivot_table(index='event_dt',columns='event_name', values='user_id', aggfunc='nunique')
    .plot( 
        y=list(df['event_name'].unique()), 
        style='o-',  
        grid=True, 
        figsize=(10, 5), 
        title='Распределения кол-во пользователей по дням и событиям',
    )
)

event_users.set_xlabel('дата')
event_users.set_ylabel('кол-во')
plt.legend(loc='center left', bbox_to_anchor=(1.02, 0.5));#вынос легенды за пределы таблицы
mon_ticks(df['event_dt'].sort_values().unique())
plt.show()


df_copy = df.copy()
df_copy['time'] = df_copy['event_time'].dt.strftime("%H").astype(int)
df_copy.head()


def time_segment(row):
    time_r = row['time']
    
    try:
        if 3 <= time_r < 9:
            return 'morning'
        if 9 <= time_r < 15:
            return 'afternoon'
        if 15 <= time_r < 21:
            return 'evening'
        if 24 <= time_r:
            display('Ошибка время больше 24 часов в time')
            return 'error'
        else:
            return 'night'
    except:
        display('Ошибка проверить тип данных в time') 
        
row_values = [4]
row_columns = ['time']

row = pd.Series(data=row_values, index=row_columns)

time_segment(row)

'morning'


df_copy['time_segment'] = df_copy.apply(time_segment, axis=1)
df_copy.head()


segment_users = (
    df_copy.groupby(['user_id','time_segment'])#группируем по ID и сегменту
    .agg({'event_dt':'count'})#считаем кол-во у пользователя в каждом сегменте
    .reset_index()
    .sort_values(['user_id','event_dt'], ascending=False)#сортируем от большего к меньшему
    .groupby('user_id').agg({'time_segment':'first'}).reset_index()#берем наибольшое предпочтение пользователя
)
segment_users.head()


segment_users['time_segment'].value_counts()

evening      1642
afternoon    1586
night         870
morning       195
Name: time_segment, dtype: int64


df = df.merge(segment_users, on='user_id', how='left')
session = session.merge(segment_users, on='user_id', how='left')
profiles = profiles.merge(segment_users, on='user_id', how='left')


#создадим список с нашей сегментацией
list_time_segment = [
    'morning',
    'afternoon',
    'evening',
    'night'
]


horizon_days = 7
observation_date = md['event_dt'].max()
dimensions = ['time_segment']

retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days, dimensions=dimensions
)
retention_grouped.head()

plot_retention(retention_grouped, retention_history, horizon_days)


conv_time_segment = df.pivot_table(index='time_segment', values='user_id', aggfunc='nunique').reset_index()
conv_time_segment = conv_time_segment.merge(
    df.query('event_name == "contacts_show"')
    .pivot_table(index='time_segment', values='user_id', aggfunc='nunique')
    .reset_index(),
    on='time_segment'
)
conv_time_segment.columns = ['time_segment','all_users','target_users']
conv_time_segment['ratio'] = round(conv_time_segment['target_users']/conv_time_segment['all_users'],3)
conv_time_segment


time_segment_conversion = conversion_event(df, 'event_dt', 'user_id', 'contacts_show', columns=['time_segment'])
time_segment_conversion['ratio'].plot(kind='line', figsize=(12,6),  style = 'o-', grid=True)

# формируем заголовок графика и подписи осей средствами matplotlib
plt.title('График конверсии в целевое событие `contacts_show` по временным группам', size=18)
plt.xlabel('дата', size=12)
plt.ylabel('%', size=12)
ax.tick_params(labelsize=11)
plt.legend(loc='center left', bbox_to_anchor=(1, 0.5))
mon_ticks(df['event_dt'].sort_values().unique())
plt.show()


df['diff'] = df['event_time'].diff().astype('timedelta64[m]') #разница между событиями
df.head(5)


#создадим два пустых списка
line_funnel = []#путь который прошел пользователь
step = []#шаг который сделал пользователь
for i in range(1,df.shape[0]):#перебераем все события
    if df['user_id'][i] == df['user_id'][i-1]:#проверяем что пользователь один и тот же
        if df['event_name'][i] != df['event_name'][i-1] and df['diff'][i-1] < 30:#проверяем что событие не повторяется что таймаут 30 мин не превышен
                step.append(df['event_name'][i])#сохраняем шаг
        else:#сессия сменилась
            line_funnel.append(step)#добавляем путь
            step = []#обнуляем шаги
    else:#пользователь поменялся
        line_funnel.append(step)#добавляем путь
        step = []#обнуляем шаги
    
line_funnel = [value for value in line_funnel if value]#убираем пустые значения
len(line_funnel)#всего сессий

8907


def filter_event_steps(list_event, num, sign='='):
    all_sessions = len(list_event)

    if sign == '=':
        list_event = [list_event[i] for i in range(len(list_event)) if len(list_event[i])==num]
    if sign == '>':
        list_event = [list_event[i] for i in range(len(list_event)) if len(list_event[i])>num]
    if sign == '<':
        list_event = [list_event[i] for i in range(len(list_event)) if len(list_event[i])<num]
    list_event = pd.Series((' > '.join(v) for v in list_event))
    len_event = list_event.shape[0]

    list_event = list_event.value_counts().reset_index().head(20)
    list_event['ratio_all_session'] = round(list_event[0]/all_sessions*100,2)
    return list_event, len_event, all_sessions


one_event_list = filter_event_steps(line_funnel, 1, sign='=')
print('Сессии с одним событием, всего:', one_event_list[1],',', round(one_event_list[1]/one_event_list[2]*100),'%')
one_event_list[0]

Сессии с одним событием, всего: 4428 , 50 %


two_event_list = filter_event_steps(line_funnel, 2, sign='=')
print('Сессии с двумя событиями, всего:', two_event_list[1],',', round(two_event_list[1]/two_event_list[2]*100),'%')
two_event_list[0]

Сессии с двумя событиями, всего: 2451 , 28 %


three_event_list = filter_event_steps(line_funnel, 3, sign='=')
print('Сессии с тремя событиями, всего:', three_event_list[1],',', round(three_event_list[1]/three_event_list[2]*100),'%')
three_event_list[0]

Сессии с тремя событиями, всего: 633 , 7 %


four_event_list = filter_event_steps(line_funnel, 4, sign='=')
print('Сессии с четырьмя событиями, всего:', four_event_list[1],',', round(four_event_list[1]/four_event_list[2]*100),'%')
four_event_list[0]

Сессии с четырьмя событиями, всего: 505 , 6 %


last_event_session = [line_funnel[i][-1] for i in range(len(line_funnel))] 
last_event_session = pd.Series((v for v in last_event_session))

len_shape = last_event_session.shape[0]
print('Событие которым заканчивается сессия, всего:', len_shape)
last_event_session = last_event_session.value_counts().reset_index()
last_event_session['ratio_all_session'] = round(last_event_session[0]/len_shape *100,2)
last_event_session

Событие которым заканчивается сессия, всего: 8907


list(set(df.query('source == "google"').user_id.unique()) & set(df.query('source == "yandex"').user_id.unique()))

[]


alpha = 0.05


dimensions = ['source']

retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days, dimensions=dimensions
)

df_rr_google = retention_grouped.drop(columns=['cohort_size', 0]).T['google']
df_rr_yandex = retention_grouped.drop(columns=['cohort_size', 0]).T['yandex']

t_test(df_rr_google,df_rr_yandex, alpha, 'google', 'yandex', '`retention rate` google и yandex равны')

p-значение: 0.9728926427969418
Не получилось отвергнуть нулевую гипотезу, что `retention rate` google и yandex равны

cреднее по google:  0.074
cреднее по yandex:  0.075


df_conv_source = unique_user_source.drop(columns='ratio').T
df_conv_source


cicle_event(df_conv_source, 'google', 'yandex' ,alpha)

google & yandex target_event
p-значение:  0.8244316027993777
Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными


#пересечение дневных и не дневных пользователей
list(set(df.query('source == "afternoon"').user_id.unique()) & set(df.query('source != "afternoon"').user_id.unique()))

[]


#пересечение вечерних и не вечерних пользователей
list(set(df.query('source == "evening"').user_id.unique()) & set(df.query('source != "evening"').user_id.unique()))

[]


dimensions = ['time_segment']

retention_raw, retention_grouped, retention_history = get_retention(
    profiles, session, observation_date, horizon_days, dimensions=dimensions
)

df_rr_afternoon = retention_grouped.drop(columns=['cohort_size', 0]).T['afternoon']

retention_raw, retention_grouped, retention_history = get_retention(
    profiles.query('time_segment != "afternoon"'), session.query('time_segment != "afternoon"'), observation_date, horizon_days
)
df_rr_not_afternoon = retention_grouped.drop(columns=['cohort_size', 0]).T['user_id']

t_test(df_rr_afternoon,df_rr_not_afternoon, alpha, 'дневные', 'не дневные', '`retention rate` дневные и не дневные равны')

p-значение: 0.9252066601785309
Не получилось отвергнуть нулевую гипотезу, что `retention rate` дневные и не дневные равны

cреднее по дневные:  0.077
cреднее по не дневные:  0.076


conv_time_segm = conv_time_segment.drop(columns='ratio').set_index('time_segment').T
conv_time_segm['no_afternoon'] = conv_time_segm.drop(columns='afternoon').sum(axis=1)
conv_time_segm['no_evening'] = conv_time_segm.drop(columns='evening').sum(axis=1)
conv_time_segm


cicle_event(conv_time_segm, 'afternoon', 'no_afternoon' ,alpha)

afternoon & no_afternoon target_users
p-значение:  0.0377861409651532
Отвергаем нулевую гипотезу: между долями есть значимая разница


cicle_event(conv_time_segm, 'evening', 'no_evening' ,alpha)

evening & no_evening target_users
p-значение:  0.002221414209744532
Отвергаем нулевую гипотезу: между долями есть значимая разница

	event_time	event_name	user_id	event_dt	week_number
4257	2019-10-08 16:49:05.946679	show_contacts	e0d5e097-f7c3-4a93-8488-e5b6f1a61d15	2019-10-08	41
26536	2019-10-17 21:25:49.022820	show_contacts	df0abe1d-a5f3-4013-b588-6f015d431197	2019-10-17	42
28590	2019-10-18 16:24:24.228978	show_contacts	df0abe1d-a5f3-4013-b588-6f015d431197	2019-10-18	42
49810	2019-10-26 14:00:04.851059	show_contacts	0f579ce9-7646-430a-91de-1d6d93e2a4d2	2019-10-26	43
64828	2019-10-31 12:07:38.629696	show_contacts	f8502cbc-9322-46eb-bc9f-8f261a94c1a2	2019-10-31	44

	event_time	event_name	user_id	event_dt	week_number	diff
399	2019-10-07 11:03:58.321579	search_6	1df586e9-5be6-4b10-9316-a6f5d4fb317d	2019-10-07	41	0 days 00:01:12.484329
400	2019-10-07 11:03:59.388629	search_5	1df586e9-5be6-4b10-9316-a6f5d4fb317d	2019-10-07	41	0 days 00:00:01.067050
436	2019-10-07 11:11:46.303208	search_7	1df586e9-5be6-4b10-9316-a6f5d4fb317d	2019-10-07	41	0 days 00:00:00.337942
437	2019-10-07 11:11:47.853231	search_5	1df586e9-5be6-4b10-9316-a6f5d4fb317d	2019-10-07	41	0 days 00:00:01.550023
441	2019-10-07 11:12:14.981106	tips_show	1df586e9-5be6-4b10-9316-a6f5d4fb317d	2019-10-07	41	0 days 00:00:05.180798
...	...	...	...	...	...	...
74035	2019-11-03 22:43:05.044661	contacts_show	ec70be94-3ea7-4ac2-90fb-da1a044d7e30	2019-11-03	44	0 days 00:01:13.966181
74043	2019-11-03 22:46:25.214291	contacts_show	ec70be94-3ea7-4ac2-90fb-da1a044d7e30	2019-11-03	44	0 days 00:00:38.473829
74145	2019-11-03 23:25:26.942460	contacts_show	ec70be94-3ea7-4ac2-90fb-da1a044d7e30	2019-11-03	44	0 days 00:00:31.309764
74148	2019-11-03 23:29:07.391682	contacts_show	ec70be94-3ea7-4ac2-90fb-da1a044d7e30	2019-11-03	44	0 days 00:00:55.935821
74156	2019-11-03 23:37:32.236349	contacts_show	ec70be94-3ea7-4ac2-90fb-da1a044d7e30	2019-11-03	44	0 days 00:02:21.184976

	user_id	session_id	first_event_name	first_event_time	last_event_name	last_event_time	dt	week_day	duration_m	source	count_event_name	nunique_event_name
0	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	1	tips_show	2019-10-07 13:39:45.989359	tips_show	2019-10-07 13:49:41.716617	2019-10-07	0	9.0	other	9	1
1	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	2	map	2019-10-09 18:33:55.577963	tips_show	2019-10-09 18:42:22.963948	2019-10-09	2	8.0	other	4	2
2	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	3	tips_show	2019-10-21 19:52:30.778932	tips_show	2019-10-21 20:07:30.051028	2019-10-21	0	14.0	other	14	2
3	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	4	map	2019-10-22 11:18:14.635436	tips_show	2019-10-22 11:30:52.807203	2019-10-22	1	12.0	other	8	2
4	00157779-810c-4498-9e05-a1e9e3cedf93	1	search	2019-10-19 21:34:33.849769	photos_show	2019-10-19 21:59:54.637098	2019-10-19	5	25.0	yandex	9	2

	index	0	ratio_all_session
0	tips_show	1677	18.83
1	search	799	8.97
2	map	522	5.86
3	photos_show	490	5.50
4	contacts_show	469	5.27
5	advert_open	275	3.09
6	favorites_add	124	1.39
7	contacts_call	39	0.44
8	tips_click	33	0.37

	index	0	ratio_all_session
0	map > tips_show	471	5.29
1	contacts_show > tips_show	460	5.16
2	tips_click > tips_show	193	2.17
3	advert_open > tips_show	171	1.92
4	tips_show > contacts_show	117	1.31
5	search > photos_show	111	1.25
6	favorites_add > photos_show	74	0.83
7	contacts_show > photos_show	74	0.83
8	tips_show > advert_open	74	0.83
9	favorites_add > tips_show	73	0.82
10	photos_show > search	73	0.82
11	tips_show > search	61	0.68
12	tips_show > map	52	0.58
13	map > search	40	0.45
14	contacts_show > contacts_call	36	0.40
15	map > advert_open	33	0.37
16	contacts_show > search	32	0.36
17	contacts_call > contacts_show	29	0.33
18	contacts_show > map	22	0.25
19	favorites_add > search	21	0.24

Обзор данных¶

Мы проведем загрузку и обзор предоставленных данных¶

Импорт библиотек и загрузка данных¶

Загрузим файл из папки /datasets и сохраним в переменную¶

Предобработка данных¶

Проверка на дубликаты и на пропуски¶

Проверка заголовков на нарушения стиля¶

Проверка на другие не соответствия¶

Функции для исследовательского анализа¶

Исследовательский анализ данные¶

Время пользователей проведенное в приложении¶

Коэффициент удержания пользователей¶

Частота совершения событий¶

Конверсия в целевое действие¶

Сегментирование пользователей¶

Проведем сегментирование пользователей на группы¶

Ответы на основные вопросы¶

Пользователи какой группы склонны часто возвращаться в мобильное приложение¶

Пользователи какой группы часто делают целевое событие¶

Поиск "проблемного места", на каком-то действии сессия часто завершается не доходя до целевого¶

Проверим гипотезы¶

Первая гипотеза¶

Вторая гипотеза¶

Третья гипотеза¶

Четвертая гипотеза¶

Пятая гипотеза¶

Вывод¶

	userId	source
0	020292ab-89bc-4156-9acf-68bc2783f894	other
1	cf7eda61-9349-469f-ac27-e5b6f5ec475c	yandex
2	8c356c42-3ba9-4cb6-80b8-3f868d0192c3	yandex
3	d9b06b47-0f36-419b-bbb0-3533e582a6cb	other
4	f32e1e2a-3027-4693-b793-b7b3ff274439	google

	event.time	event.name	user.id
0	2019-10-07 00:00:00.431357	advert_open	020292ab-89bc-4156-9acf-68bc2783f894
1	2019-10-07 00:00:01.236320	tips_show	020292ab-89bc-4156-9acf-68bc2783f894
2	2019-10-07 00:00:02.245341	tips_show	cf7eda61-9349-469f-ac27-e5b6f5ec475c
3	2019-10-07 00:00:07.039334	tips_show	020292ab-89bc-4156-9acf-68bc2783f894
4	2019-10-07 00:00:56.319813	advert_open	cf7eda61-9349-469f-ac27-e5b6f5ec475c

	index	event_name	ratio
0	tips_show	40055	54.0
1	photos_show	10012	13.0
2	advert_open	6164	8.0
3	contacts_show	4450	6.0
4	map	3881	5.0
5	search_1	3506	5.0
6	favorites_add	1417	2.0
7	search_5	1049	1.0
8	tips_click	814	1.0
9	search_4	701	1.0
10	contacts_call	541	1.0
11	search_3	522	1.0
12	search_6	460	1.0
13	search_2	324	0.0
14	search_7	222	0.0
15	show_contacts	79	0.0

	event_time	event_name	user_id	event_dt	week_number
24	2019-10-07 00:05:16.003328	contacts_show	8c356c42-3ba9-4cb6-80b8-3f868d0192c3	2019-10-07	41
70	2019-10-07 00:18:53.427525	contacts_show	8c356c42-3ba9-4cb6-80b8-3f868d0192c3	2019-10-07	41
195	2019-10-07 08:11:07.995945	contacts_show	48e614d6-fe03-40f7-bf9e-4c4f61c19f64	2019-10-07	41
244	2019-10-07 09:33:19.822541	contacts_show	9dfa242e-8630-480a-806b-5736bcda8f3d	2019-10-07	41
327	2019-10-07 10:19:49.080484	contacts_show	1a3361d1-2002-4389-a669-ecb06ea7a90a	2019-10-07	41

	index	event_name	ratio
0	tips_show	1398	33.0
1	search	1160	27.0
2	map	807	19.0
3	photos_show	560	13.0
4	contacts_show	179	4.0
5	advert_open	127	3.0
6	favorites_add	49	1.0
7	tips_click	13	0.0

	user_id	session_id	first_event_name	first_event_time	last_event_name	last_event_time	dt	week_day	source	count_event_name	nunique_event_name
9	00157779-810c-4498-9e05-a1e9e3cedf93	6	contacts_show	2019-11-03 17:12:09.708771	contacts_show	2019-11-03 17:12:09.708771	2019-11-03	6	yandex	1	1
15	004690c3-5a84-4bb7-a8af-e0c8f8fca64e	5	search	2019-10-27 20:18:09.004261	search	2019-10-27 20:18:26.910719	2019-10-27	6	google	4	1
17	00551e79-152e-4441-9cf7-565d7eb04090	1	contacts_show	2019-10-25 16:44:41.263364	contacts_call	2019-10-25 16:44:44.786860	2019-10-25	4	yandex	2	2
19	00551e79-152e-4441-9cf7-565d7eb04090	3	photos_show	2019-10-29 02:17:12.342406	photos_show	2019-10-29 02:17:12.342406	2019-10-29	1	yandex	1	1
26	00753c79-ea81-4456-acd0-a47a23ca2fb9	1	contacts_show	2019-10-20 14:57:06.080501	contacts_show	2019-10-20 14:57:06.080501	2019-10-20	6	yandex	1	1

	quantity	ratio 100%	ratio %
Всего уникальных пользователей	4293	100.0	NaN
Посмотрели контакты	981	23.0	23.0

	quantity	ratio 100%	ratio %
Воспользовались поиском	1666	100.0	NaN
Открыли объявление	246	15.0	15.0
Посмотрели фото	5	0.0	2.0
Посмотрели контакты	0	0.0	0.0

	user_id	time_segment
0	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	evening
1	00157779-810c-4498-9e05-a1e9e3cedf93	night
2	00463033-5717-4bf1-91b4-09183923b9df	afternoon
3	004690c3-5a84-4bb7-a8af-e0c8f8fca64e	night
4	00551e79-152e-4441-9cf7-565d7eb04090	afternoon

	time_segment	all_users	target_users	ratio
0	afternoon	1586	390	0.246
1	evening	1642	414	0.252
2	morning	195	36	0.185
3	night	870	141	0.162

	index	0	ratio_all_session
0	tips_show	4097	46.00
1	search	1247	14.00
2	photos_show	938	10.53
3	contacts_show	820	9.21
4	map	729	8.18
5	advert_open	721	8.09
6	favorites_add	208	2.34
7	contacts_call	95	1.07
8	tips_click	52	0.58

	index	0	ratio_all_session
0	tips_show > advert_open > tips_show	48	0.54
1	tips_show > contacts_show > tips_show	44	0.49
2	advert_open > tips_show > advert_open	41	0.46
3	contacts_show > tips_show > contacts_show	35	0.39
4	tips_show > map > tips_show	30	0.34
5	contacts_show > contacts_call > photos_show	27	0.30
6	map > advert_open > tips_show	22	0.25
7	photos_show > search > photos_show	21	0.24
8	tips_show > tips_click > tips_show	19	0.21
9	search > photos_show > search	18	0.20
10	advert_open > tips_show > search	16	0.18
11	map > tips_show > map	16	0.18
12	advert_open > tips_show > map	13	0.15
13	tips_show > favorites_add > tips_show	10	0.11
14	map > search > tips_show	10	0.11
15	search > advert_open > tips_show	10	0.11
16	contacts_show > contacts_call > contacts_show	9	0.10
17	photos_show > favorites_add > photos_show	8	0.09
18	contacts_show > map > tips_show	8	0.09
19	map > tips_show > search	8	0.09

	index	0	ratio_all_session
0	contacts_show > tips_show > contacts_show > ti...	83	0.93
1	advert_open > tips_show > advert_open > tips_show	67	0.75
2	tips_click > tips_show > tips_click > tips_show	48	0.54
3	map > tips_show > map > tips_show	29	0.33
4	tips_show > advert_open > tips_show > advert_open	27	0.30
5	favorites_add > tips_show > favorites_add > ti...	15	0.17
6	map > advert_open > tips_show > advert_open	8	0.09
7	search > photos_show > search > photos_show	7	0.08
8	tips_show > contacts_show > tips_show > contac...	7	0.08
9	tips_show > advert_open > tips_show > search	6	0.07
10	favorites_add > tips_show > contacts_show > ti...	6	0.07
11	map > search > advert_open > tips_show	6	0.07
12	favorites_add > photos_show > favorites_add > ...	6	0.07
13	contacts_call > contacts_show > contacts_call ...	6	0.07
14	tips_show > map > tips_show > map	5	0.06
15	map > advert_open > tips_show > search	5	0.06
16	tips_show > advert_open > tips_show > contacts...	4	0.04
17	tips_click > tips_show > contacts_show > tips_...	4	0.04
18	tips_show > advert_open > tips_show > map	4	0.04
19	map > tips_show > advert_open > tips_show	4	0.04